BAB IV ANALISIS DAN PEMBAHASAN
B. Hasil Analisis dan Pembahasan
2. Hasil Uji Asumsi Klasik
Uji Asumsi klasik adalah asumsi dasar yang harus dipenuhi dalam
model regresi. Dalam penelitian ini uji asumsi klasik yang digunakan
adalah uji normalitas, uji multikolinieritas, uji heterokedastisitas, dan uji
autokorelasi.
a. Uji Normalitas
Uji Normalitas dilakukan dengan menggunakan metode
Probability Plot (P-Plot). Pengujian ini bertujuan untuk mengetahui
apakah dalam sebuah model regresi, variabel pengganggu atau residual
mempunyai distribusi yang normal, model regresi yang baik adalah
model regresi yang memiliki distribusi data normal atau mendekati
normal.
Uji normalitas melalui grafik dapat menyesatkan kalau tidak
hati-hati secara visual kelihatan normal, pada hal statistik bisa
sebaliknya. Oleh karena itu dianjurkan disamping uji grafik dilengkapi
dengan uji statistik (Ghozali, 2011: 163), sehingga uji yang digunakan
Pengujian ulang dengan menggunakan One-Sample
Kolmogorov-Smirnov test untuk masing-masing variabel. Untuk uji
One-Sample Kolmogorov-Smirnov test, akan dilihat dari nilai
probabilitasnya, jika probabilitasnya > 0,05 data terdistribusi normal.
Apabila data tidak berdistribusi secara normal maka dilakukan
transformasi data. (Ghozali, 2011 :164). Selengkapnya mengenai hasil
penelitian dapat dilihat pada tabel 4.2 dibawah ini:
Tabel 4.2 Hasil Uji Normalitas
Menggunakan One-Sample Kolmogorov-Smirnov test One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parametersa,b Mean ,0000000 Std. Deviation ,03667716 Most Extreme Differences Absolute ,063
Positive ,063 Negative -,054
Test Statistic ,063
Asymp. Sig. (2-tailed) ,200c,d a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance. Sumber : Data diolah
Grafik 4.1 Hasil Uji Normalitas Menggunakan Normal P-P Plot
Sumber : Data diolah
Dari tabel 4.2 diatas dapat bahwa nilai Kolmogorov-Smirnov
adalah 0,063 dan signifikan pada 0,200 atau lebih besar dari 0,05. Hal
ini dapat diartikan H0 diterima yang berarti data residual terdistribusi
normal.
Sedangkan pada hasil grafik normal probability plot, dapat
dilihat titik-titik distribusi normal membentuk satu garis lurus
diagonal, sehingga hal ini menunjukkan bahwa data terdistribusi secara
normal. Pengambilan kesimpulan normalitas melalui grafik ini akan
menimbulkan kerancuan, sehingga kesimpulan normalitas diambil
b. Uji Multikolinieritas
Uji multikolinearitas bisa kita dapatkan melalui tabel
coefficients dengan melihat nilai collinearity statistics yang terdiri dari
nilai tolerance dan nilai VIF (Variance Inflation Factor). Suatu data
lulus uji multikolinearitas apabila nilai tolerance berada pada nilai >
0,1 dan nilai VIF (Variance Inflation Factor) < 10.
Tabel 4.3
Hasil Uji Multikolonieritas Coefficientsa
Sumber : Data diolah
Dari tabel 4.3 diatas menunjukan bahwa semua variabel
independen memiliki nilai tolerance > 0,10 dan VIF (Variance
Inflation Factor) < 10. Maka dapat disimpulkan bahwa model regresi
dalam penelitian ini telah terbebas dari masalah multikolinieritas.
c. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam Model
Collinearity Statistics Tolerance VIF 1 (Constant)
Pemilihan Sekuritas ,546 1,833 Market Timing Ability ,599 1,669 Tingkat Risiko ,473 2,114 Umur Reksa Dana ,648 1,542 Ukuran Reksa Dana ,985 1,015
pengamatan ke pengamatan yang lain. Jika variance dari residual satu
pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas
dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik
adalah model yang Homoskedastisitas atau tidak terjadi
Heteroskedastisitas (Ghozali, 2011: 139).
Alat yang paling umum dalam menguji heteroskedastisitas
adalah dengan melihat grafik scatter plot. Grafik yang lulus uji
heteroskedastisitas adalah grafik yang tidak membentuk suatu pola
tertentu dan tersebar pada nilai diatas dan dibawah 0. Selengkapnya
mengenai hasil uji untuk heterokedastisitas dapat dilihat pada grafik
4.2 di bawah ini :
Grafik 4.2
Dari grafik 4.2 diatas menunjukan tidak ada pola tertentu dan
titik-titik menyebar secara acak dan tersebar baik di atas maupun
dibawah angka 0 pada sumbu Y. maka dapat disimpulkan model
regresi dalam penelitian ini telah homokedastisitas atau bebas dari
masalah heteroskedastisitas.
Selain menggunakan scatter plot untuk pengujian
heteroskedastisitas, peneliti juga menggunakan Uji Park untuk
menghindari kerancuan yang diakibatkan pengambilan keputusan
melalui grafik. Uji Park dapat dilakukan setelah kita mendapatkan nilai
unstandardized residual yang telah dikuadratkan dan di logaritmakan,
lalu meregresikan nilai tersebut menjadi variable dependen.
Tabel 4.4
Uji Heteroskedastisitas Melalui Uji Park Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) -20,981 8,113 -2,586 ,014 Pemilihan Sekuritas 21,756 17,702 ,271 1,229 ,228 Market Timing Ability -,057 ,093 -,128 -,607 ,548 Tingkat Risiko 36,470 24,447 ,353 1,492 ,145 Umur Reksa Dana ,169 ,122 ,280 1,384 ,175 Ukuran Reksa Dana ,423 ,555 ,125 ,762 ,451 Sumber : Data diolah
Pada tabel 4.4, dapat kita lihat hasil uji Park melalui tabel
coefficients dan nilai sig. Pada bagian sig dapat kita ketahui bahwa
signifikansi berada diatas 0,05. Hal ini berarti model regresi tidak
mengalami heteroskedastisitas.
d. Uji Autokorelasi
Uji autokorelasi mempunyai tujuan untuk menguji apakah
dalam model regresi linier terdapat korelasi antara kesalahan
pengganggu pada periode t dengan kesalahan pengganggu pada
periode t-1. Autokorelasi muncul karena observasi yang berurutan
sepanjang waktu berkaitan satu sama lainnya (Ghozali, 2011: 110).
Salah satu alat untuk menguji nilai autokorelasi adalah dengan melihat
nilai Durbin-Watson pada tabel model summary bagian
Durbin-Watson.
Tabel 4.5
Uji Autokorelasi Melalui Durbin-Watson Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,991a ,982 ,979 ,039281541 1,175
a. Predictors: (Constant), Ukuran Reksa Dana, Umur Reksa Dana, Pemilihan Sekuritas, Market Timing Ability, Tingkat Risiko
b. Dependent Variable: Kinerja Reksa Dana Sumber : Data diolah
Dari tabel diatas terlihat menunjukan bahwa nilai D-W sebesar
1,175 berdasarkan kriteria yang telah ditentukan D-W hitung berada
koefisien autokorelasi lebih besar daripada nol, berarti ada autokorelasi
positif.
Untuk mengatasi hal ini maka digunakan Uji Run test sebagai
bagian dari statistik non parametrik dapat pula digunakan untuk
menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar
residual tidak terdapat hubungan korelasi maka dikatakan bahwa
residual adalah acak atau random. Run test digunakan untuk melihat
apakah data residual terjadi secara random atau tdak (sistematis)
(Ghozali, 2011: 120)
Tabel 4.6
Uji Autokorelasi Melalui Run Test Runs Test
Unstandardized Residual Test Valuea -,00133 Cases < Test Value 20 Cases >= Test Value 20 Total Cases 40 Number of Runs 16
Z -1,442
Asymp. Sig. (2-tailed) ,149 a. Median
Sumber : Data diolah
Dari tabel diatas terlihat menunjukan bahwa nilai Asymp. Sig.
(2-tailed) sebesar 0,149 atau lebih besar dari 0,05 berdasarkan kriteria
yang telah ditentukan maka model regresi tidak mengalami masalah
3. Koefisien Determinasi (R2)
Uji koefisien determinasi atau R2 dilakukan untuk mengukur
seberapa besar kemampuan variabel independen untuk menjelaskan
variabel dependen. Hasil uji koefisien determinasi dapat dilihat pada tabel
model summary dibagian R Square.
Tabel 4.7
Hasil Uji Koefisien Determinasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,991a ,982 ,979 ,039281541 1,175
a. Predictors: (Constant), Ukuran Reksa Dana, Umur Reksa Dana, Pemilihan Sekuritas, Market Timing Ability, Tingkat Risiko
b. Dependent Variable: Kinerja Reksa Dana Sumber : Data diolah
Pada tabel 4.7, dapat kita ketahui bahwa nilai R square sebesar
0,982. Hal ini dapat diartikan bahwa sebesar 98,2% variabel dependen
(Kinerja Reksa Dana) dapat dijelaskan oleh variabel independennya
(Pemilihan Sekuritas, Market Timing, Tingkat Risiko, Umur Reksa Dana,
dan Ukuran Reksa Dana). Sedangkan sisanya, yaitu sebesar 1,8% dapat
dijelaskan oleh variabel lainnya. Hal ini menandakan telah tingginya
kemampuan variabel independen dalam menjelaskan variabel dependen.
Adapun angka koefisien korelasi (R) menunjukan nilai sebesar 0,991 yang
menandakan hubungan antar variabel independen dengan variabel
4. Hasil Uji Hipotesis